April 2025 Micromobility refers to transportation via lightweight vehicles—including bicycles, e-bikes, electric kick scooters (e-scooters), and two-wheeled electric mopeds—that are used for short- distance travel. These vehicles can be either human-powered or electric and can be privately owned or shared. If you live in a city, you've likely seen evidence of micromobility's rapid and recent growth: orderly racks of Citi Bikes in New York City, Lime scooters piled on the sidewalks of Berlin, or something in ...

The state of AI How organizations are rewiring to capture value Alex Singla Alexander Sukharevsky Lareina Yee Michael Chui Bryce Hall March 2025 Organizations are beginning to create the structures and processes that lead to meaningful value from gen AI. While still in early days, companies are redesigning workfows, elevating governance, and mitigating more risks. O rganizations are starting to make organizational changes designed to generate future value from gen AI, and large companies are leading the way ...

报告行业投资评级 未提及 报告的核心观点 - 中国消费市场步入“新常态”，虽有挑战但并非如部分观察人士描述般黯淡，呈现消费者接纳新常态、信心趋于稳定、更注重个人成就实现三大趋势 [4] - 消费意向受实际收入和资产影响更大，消费者支出安排更理性，注重生活质量提升，企业需适应市场变化把握机遇 [32] 根据相关目录分别进行总结 趋势一：消费者接纳新常态，顺势而为 - 2024 年及 2025 年第一季度中国 GDP 约 5%增长，国内消费有韧性，旅游、餐饮等多领域复苏，家居装饰和家电行业回暖 [6] - 消费者对 2025 年消费增长预期谨慎，预计增长率 2.3%与 2024 年 2.4%基本持平，得益于城镇化推进和消费占收入比重改善 [6] - 中国消费者对 2025 年家庭收入增长率平均预期 1.4%，低于 2024 年的 2.5% [6] - 消费者普遍谨慎，源于对未来财务状况不确定担忧，背后是职业稳定性和房产贬值担忧，36%受访者经历“就业焦虑”，48%城镇居民认为就业市场“形势严峻/拿不准”，房产贬值制约悲观者消费 [10] 趋势二：消费者信心已趋于稳定 - 2024 年 9 月起央行推出刺激政策，近 9700 名了解政策受访者中 81%对中国宏观经济前景更有信心 [12] - 消费者信心总体趋于稳定，四分之三受访者对中国经济前景乐观，但不同群体消费意愿有变化 [18] - 农村消费者信心增强，得益于乡村振兴政策和更快收入增长，2024 年农村居民收入同比增长 6.6%，城镇居民为 4.5% [18] - 城镇富裕老年消费者信心下降约 20%，一线和二线城市低收入千禧一代最悲观，三线城市消费者和城镇 Z 世代虽信心下降但仍最乐观 [21] 趋势三：消费者更加注重个人成就的实现 - 消费意向与整体消费意愿关联度减弱，消费者消费决定更多基于“硬性”因素而非“软性”因素 [26] - 富裕城镇消费者虽信心下降，但追求更高生活质量和个人成就，有意 2025 年日常支出增加 2.6%，动用储蓄维持生活水平，消费回归正常，倾向有形大件商品和无形服务体验 [26] - 教育、保健品和健康服务、医疗服务等类别预期支出增加，消费类电器、家用电器、烟酒等类别预期支出减少 [29]

报告行业投资评级 未提及相关内容 报告的核心观点 - 少数“杰出企业”推动大部分生产率增长 ，如不到100家“杰出企业”占德国、英国和美国8300家大公司样本中三分之二的增长 [10][13] - 生产率以强大的爆发式增长 ，企业通过战略举措、营收增长和业务组合调整实现 ，而非传统认知的效率转变和渐进式扩散 [13] - 美国生产率增长更快 ，得益于更多“杰出企业”、更少“落后企业”以及员工向领先企业的动态重新分配 [67][68] - 企业和政策制定者应关注生产率增长 ，采用微观到宏观、基于企业层面的方法 ，并根据新发现调整思维方式 [71] 根据相关目录分别进行总结 生产率增长的重要性 - 世界迫切需要强劲的生产率增长来解决全球问题 ，企业是生产率增长的基本单位 ，生产率增长对企业、员工、客户和经济都有益 [16][17] 研究方法 - 以企业层面的实际总增加值（GVA）除以员工数量计算生产率 ，并考虑就业重新分配到更高效企业的影响 [18][19][21] - 研究德国、英国和美国四个行业（零售、汽车和航空航天、旅游和物流、计算机和电子）的8300家大公司 ，时间跨度为2011 - 2019年 [18][21][22] 少数企业主导生产率增长 - “杰出企业”定义为对本国样本生产率增长贡献至少一个基点的企业 ，不到100家“杰出企业”占三个国家样本中约三分之二的正向生产率增长 [30] - “落后企业”指对本国样本生产率增长造成至少一个基点负贡献的企业 ，仅55家“落后企业”占三个国家样本中50 - 65%的企业层面生产率拖累 [31] - “杰出企业”和“落后企业”占样本生产率增长和下降的三分之二 ，不同国家的“杰出企业”和“落后企业”数量和贡献有所不同 [36][38] 杰出企业与行业动态 - 高增长子行业中 ，“杰出企业”推动大部分增长 ，“落后企业”拖累较小 ，“杰出企业”与行业增长相互促进 [43][44] 其他企业的作用 - 约10%的企业贡献了研究期间90%的生产率增长 ，约50%的企业生产率增长快于行业平均水平 ，20%的企业生产率增长比行业平均快1.5倍且就业份额增加 [50] - 样本外的中小企业集体贡献了四个行业高达30%的生产率增长 ，少数可能成为未来的“杰出企业” [51] 杰出企业的特点和策略 - “杰出企业”规模足够大 ，在生产率或规模上有显著进步 ，包括改进者、扩张者、重组者和颠覆者四种类型 [51] - “杰出企业”通过扩大更高效的商业模式或技术、转移区域和产品组合、重塑客户价值主张、建立规模和网络效应以及转变运营等策略触发生产率爆发 [56] 领先企业和员工重新分配对增长的影响 - 美国生产率增长更快 ，原因包括前沿企业贡献大、领先企业拉开差距推动增长、员工从落后企业向领先企业重新分配重要以及“杰出企业”数量多于“落后企业” [67][68] 新的生产率增长策略 - 企业提高生产率对员工、客户、股东和经济是双赢的 ，企业应关注生产率增长以实现长期成功、促进经济增长和应对劳动力市场变化 [72] - 研究提出六个关于生产率增长的思维转变 ，包括关注少数企业、重视现有改进者、采取大胆行动、注重战略和价值创造、扩大创新规模以及向领先企业重新分配资源 [77][80]

报告行业投资评级 未提及 报告核心观点 报告围绕性别薪酬差距展开研究，通过对大量在线职业档案样本分析，从样本选择、技能距离、工资流动性、薪酬差距分解、职业历史轨迹模式及未来性别构成预测、公司类型与人力资本结果相关性等方面进行深入探讨，揭示时间和职业选择对性别薪酬差距的影响 [1][7] 各部分总结 样本选择 - 分析使用麦肯锡组织数据平台专有信息，数据来自数百万在线公共职业档案，涵盖超1000亿人工作和教育历史及超20亿个职位发布信息 [2] - 聚焦美国档案，从超6000万个已识别性别的档案中随机抽取100万男性和100万女性，用机器学习模型预测性别，仅纳入置信度超95%的预测结果 [3] - 从200万个个体数据集中筛选出声明教育情况、至少换过一次角色且最高教育程度后有至少10年工作经验的子集，最终样本为35235名女性和50529名男性，共85764人，约有36000个独特职位头衔，可映射到705种职业 [4] - 约三分之二样本工人2000年后开始职业生涯，约一半2005年后进入，各队列职业轨迹总体一致，对2012年开始职业生涯且到2022年有10年工作经验的子集分析结果相似 [5] - 样本反映在线工作历史档案，偏向高学历、高收入职业工作者，男女偏向不同，重新加权样本后结果方向相似 [9] 技能距离 - 通过查看个人所担任工作的技能要求估算技能距离，使用2090万个汇总职位发布数据，仅考虑至少出现在60%职位列表中的技能 [10] - 每次角色变动的技能距离通过将新技能加权数量除以新角色所需总技能数量计算，技能按频率加权，采用逆频率权重 [13][14] 工资流动性 - 研究工人职业路径和10年内角色转换，以2022年为基年确定职业生涯第10年任何职业的平均工资 [15] - 为了解男女职业轨迹模式差异，按职业平均工资将所有职业分为五等分，考察男女在职业生涯第10年按职业工资五等分的分布情况，跟踪他们从起始职业到第10年职业在五等分之间的移动 [16] 性别薪酬差距分解 - 整体薪酬差距通过比较男性和女性加权平均工资估算，2022年美国劳动力按职业划分的整体平均工资从劳工统计局获取，按性别分解使用IPUMS的男女工资差距比率和劳工统计局的按职业划分的工人性别分布，样本和美国整体劳动力薪酬差距均估计为27% [17][19] 起点和职业轨迹差异 - 采用反事实情景“如果女性在职业生涯前10年从自己起点开始遵循男性职业路径，第10年职业分布会怎样”，计算男女无性别平均工资，有意忽略职业内性别薪酬差距以专注于移动模式 [20] - 测量女性在反事实情景下的无性别平均工资，第10年男女无性别平均工资差距分为职业轨迹差异导致的差距和起点差异导致的差距 [24] - 样本中女性第10年无性别整体平均工资约82000美元，反事实情景下约89000美元，职业轨迹差异导致差距7000美元（8%），男性第10年整体平均工资约92000美元，起点差异导致差距3000美元（3%），职业轨迹差距对低收入五等分人群最高 [25] - 通过几种替代反事实情景和不同样本子集验证结果稳健性，结果一致 [26] 职业内晋升差异 - 将职业分为专业职业和企业职业两类，专业职业中角色内经验差异是职业内晋升导致薪酬差距的主要驱动因素，企业职业中资历水平和角色内经验差异都是根本驱动因素 [27] - 个人在第10年职业中的资历水平基于角色头衔和该职业总经验，样本中每个独特角色头衔分配到五个资历类别之一，根据劳工统计局职业工资分布为个人分配基于资历水平的工资乘数，忽略职业内性别薪酬差距以专注于晋升差异 [28] - 使用按百分位数划分的工资分布数据估算资历维度的工资，假设工资随角色头衔线性增长，考虑高任期低资历角色人员可能比低任期高资历角色人员收入更高的情况 [29][30] 工作时间差异 - 使用美国社区调查中美国劳动力按职业划分的男女工作时间数据，计算男女跨职业平均工作时间差异，以分离劳动投入差异的影响，工作时间差异可能源于兼职工作者比例差异或全职和兼职工作者总工作时间差异 [31] 职业历史轨迹模式和未来性别构成预测 - 麦肯锡全球研究院对美国未来工作的研究估计了到2030年按职业划分的劳动力需求，提供了到2030年需要转入增长职业和转出萎缩职业的工人总数 [32] - 使用样本历史职业轨迹数据跟踪职业间移动，为每个增长和萎缩职业估计不同性别工人留在原职业、转入其他增长职业和转入萎缩职业的比例，汇总这些估计以预测到2030年增长和萎缩职业的性别构成，未考虑外部因素潜在影响 [33][34] 公司类型与男女人力资本结果相关性 - 从样本中识别出7409名男性和5067名女性，他们在2010 - 2019年间至少在约1100家公司中的一家工作过，这些公司分为四类 [35] - 该子样本性别分布与整体样本相似，但更偏向高收入STEM和商业专业职业，比较四类公司中男女在职业生涯第10年的几个人力资本结果指标，数据基于职业平均水平，以识别通过特定类型公司与职业路径导致的薪酬差距之间的相关性 [36][37][38] - 通过分析三个子样本工人和在更窄时间范围内通过这些公司的个人验证结果稳健性，结果相似 [39] 术语表 - 对职业中断、职业路径、竞争得分、灵活性、性别薪酬差距、增长职业、萎缩职业、收入五等分、职业类别、职业、P+P赢家、绩效驱动型公司、以人为本公司、典型表现者、剩余薪酬差距、角色、角色变动、技能距离、工作经验、工作经验薪酬差距等术语进行定义 [41][42][43][44][45][46][47][48][49][50][51][52]

文章核心观点 - 欧洲和美国劳动力市场面临需求转变，AI和自动化加速工作转型，企业需提升员工技能，当前选择将影响未来生产力和社会成果 [12][16] 各部分总结 背景：劳动力短缺和生产率增长放缓 - 报告聚焦欧洲和美国劳动力市场，长期存在结构性转变，疫情加剧劳动力市场紧张，欧洲面临持续的劳动力和技能短缺问题 [18][19] - 欧美劳动力市场趋紧，未填补职位增加，失业率处于历史低位，疫情使混合工作模式增加，但对生产率的影响仍有争议 [24][25] - 欧洲长期生产率增长放缓，竞争力下降，在多数关键跨行业技术上落后于美国，仅在清洁技术和下一代材料领域有优势 [26] - 自动化技术有提升生产率的潜力，但欧美在获取这一增长的轨迹不同，且技术采用可能对劳动力市场造成破坏 [34] 未来工作转型的潜力 - 劳动力需求受技术进步、老龄化、医疗需求、气候变化、电子商务等因素影响，欧洲和美国需加速职业转型，但两地在疫情期间已应对过更高水平的劳动力市场变化 [41][42] - 采用不同情景模型估算职业转型，考虑自动化采用率、净零转型、电子商务增长等多个驱动因素，模型存在不确定性和局限性 [44][53] - 到2030年，STEM和医疗专业人员需求将大幅增长，而食品服务、生产工作等需求将下降，其他职业需求与总体需求增长一致，欧美在职业需求上存在差异 [58][61] - 到2030年，欧洲和美国分别可能需要1200万和1180万次职业转型，欧洲职业转型速度将加快，美国将恢复到疫情前水平，且两地在疫情期间的职业转型经验表明有能力应对未来变化 [66][68] - 到2030年，在中点采用情景下，欧洲和美国分别有27%和30%的工作时间可被自动化，到2035年这一比例将分别升至45%和48%，生成式AI将加速自动化进程 [77] - 自动化潜力因职业而异，生成式AI将扩大自动化影响范围，技术采用受需求和供应等多方面因素阻碍 [83][88] - 净零行动、老龄化和电子商务将影响就业需求，净零转型将导致部分行业岗位流失，但也会创造新的就业机会，老龄化将增加医疗服务需求，电子商务将改变零售行业的就业结构 [93][102] 劳动力市场破坏的地域差异 - 欧洲各国职业转型规模相似，但职业组合不同，受就业结构、工资水平和AI准备程度影响，且国家内部也存在差异 [104][110] 新时代的新技能 - 职业转型将导致劳动力技能需求发生重大变化，技术和社交情感技能需求将增加，基本认知和高等认知技能需求将下降，体力和手动技能需求略有下降 [120][124] - 企业高管认为当前技术、高等认知和社交情感技能短缺，且预计未来需求增长的技能正是目前短缺的技能，不同类型公司和行业对技能的需求和预期增长不同 [131][145] - 企业认为再培训是获取所需技能和适应新工作环境的关键，计划再培训32%的员工，其次是招聘和外包，不同策略适用于不同技能水平的工作 [147][156] 行业聚焦 批发和零售贸易 - 该行业受欧洲就业需求变化影响最大，到2030年约280万人可能需要更换职业，办公室支持和客户服务岗位需求将减少，管理、商业和法律专业人员以及运输服务岗位需求将增加 [161] - 技术熟练度将变得更加重要，基本认知技能需求将下降，技术和社交情感技能需求将增加 [173] 金融服务 - 到2030年，欧洲金融行业劳动力需求可能下降，办公室支持和客户服务岗位减少最多，STEM专业人员和管理岗位需求将增长，约60万人可能需要更换职业 [177] - 技术和社交情感技能需求将增加，基本认知和高等认知技能需求将下降 [187] 制造业 - 到2030年，欧洲制造业就业需求可能净下降，生产工作和办公室支持岗位下降最多，STEM、管理和商业法律领域需求将增长，约210万人可能需要更换职业 [192] - 技术和社交情感技能需求将增加，基本认知、体力和手动以及高等认知技能需求将下降 [192]

行业投资评级 - 奢侈品行业面临显著放缓 预计2024年至2027年全球奢侈品市场年增长率将放缓至1-3% [35][131] - 皮革制品和珠宝类别预计将在2025年至2027年间实现4-6%的年增长率 成为最具韧性的品类 [130][148] 核心观点 - 奢侈品行业正经历显著放缓 主要受宏观经济逆风 客户偏好变化以及价值主张减弱的影响 [28][31][32] - 奢侈品客户群体日益多样化 年轻客户对奢侈品体验的兴趣增加 而不仅仅是奢侈品商品 [33][34] - 奢侈品行业在过去五年中经历了快速扩张 但过度曝光削弱了其排他性和创造力的承诺 [34][35] - 奢侈品品牌需要重新思考客户参与策略 投资技术和数据能力以更好地个性化客户旅程 [39][40] 市场背景 - 2019年至2023年 个人奢侈品行业年增长率为5% 其中价格增长贡献了约80%的增长 [52][53] - 中国市场的快速增长是奢侈品行业增长的主要驱动力 2019年至2023年年增长率为18% [53][54] - 顶级消费者（年消费超过7万欧元）在2019年至2023年间贡献了40-50%的市场增长 尽管他们仅占奢侈品客户基础的2-4% [55][56] 市场展望 - 奢侈品行业预计将在2024年至2027年间实现1-3%的年增长率 2025年至2027年间增长率将提升至2-4% [131][136] - 美国预计将成为奢侈品增长的主要引擎 受益于有利的经济因素和超高端消费者群体的增长 [139][140] - 日本 中东和印度等较小市场将继续为品牌提供动态增长机会 [143][144] 客户洞察 - 奢侈品客户对价格增长的合理性提出质疑 认为价格增长并未与产品质量或创新相匹配 [190][191] - 客户越来越倾向于将奢侈品购买与体验（如旅行和健康）进行权衡 认为体验比奢侈品商品更具排他性和个人价值 [186][207] - 奢侈品客户对品牌创新和产品质量的期望较高 品牌需要提升能力以满足这些期望 [199][200] 零售体验 - 超过三分之一的奢侈品客户认为近年来的店内体验有所恶化 客户对零售体验的期望越来越高 [266][267] - 奢侈品品牌需要解决客户在零售体验中的痛点 如缺乏个性化互动 库存透明度不足以及售后服务不佳 [271][272] 伦理工艺 - 奢侈品客户对品牌的可持续性和伦理制造标准有较高期望 但许多品牌未能满足这些期望 [272][273] - 奢侈品品牌需要展示高标准的可持续性和伦理采购 以恢复客户对其工艺承诺的信任 [188][272]

行业投资评级 - 报告未明确给出行业投资评级 [1][2][3] 核心观点 - 报告分析了120个经济体，覆盖全球90%的人口，并将这些国家分为低收入、中等收入和高收入三类 [2] - 低收入国家定义为人均GDP低于5000美元，中等收入国家为5000至20000美元，高收入国家为20000美元以上 [2] - 报告提出了“赋能线”概念，用于衡量个人获得基本生活需求所需的私人现金支出，包括食品、住房、能源、交通、医疗、教育等 [3][6] - 赋能线的计算基于2022年和2023年的生活成本数据，并考虑了10%的娱乐支出和5%的储蓄缓冲 [3][6] - 报告通过分析劳动市场指标（如劳动参与率、失业率、稳定工作比例）和支出成本（如住房、食品、交通、医疗、教育）来评估经济赋能的潜力 [12][16] - 报告提出了“成本效益比”概念，用于衡量公司通过改善收入或降低生活成本带来的经济赋能效果 [21][22] 收入侧分析 - 全球范围内，工资是大多数人的主要收入来源 [12] - 报告使用四个劳动市场指标来评估收入稳定性：15至64岁人口比例、劳动参与率、失业率、稳定工作比例 [12] - 对于人均GDP高于10000美元的国家，报告考虑了时间相关的就业不足和低工资率 [13] - 对于人均GDP低于10000美元的国家，报告更关注正式就业比例 [13] - 报告通过匹配最佳表现国家的指标来估算各国通过改善收入实现经济赋能的潜力 [15] 支出侧分析 - 报告重点关注赋能篮子中最大的五个支出项：住房、食品、交通、医疗和教育，这些支出占经济赋能所需消费的80% [16] - 报告计算了每个支出项的“最低成本线”，并通过统计方法排除了异常值 [18][19] - 报告通过匹配最低成本线来估算各国通过降低生活成本实现经济赋能的潜力 [20] 成本效益比 - 成本效益比用于衡量公司通过改善收入或降低生活成本带来的经济赋能效果 [21] - 报告举例说明，如果公司更有效地针对低于赋能线的员工，成本效益比可能会提高 [22]

报告行业投资评级 未提及 报告的核心观点 - AI正推动银行业广泛变革，银行需成为AI优先机构，全面采用AI技术提升价值，否则将被淘汰 [4] - 成功的AI转型需覆盖组织多个层面，各层面相互依存，投资缺一不可 [4] - 银行可识别AI转型业务领域并重新规划，以提升价值，部分子领域转型可带来70 - 80%的增量价值 [7][12] - 构建全面的AI能力堆栈，由多智能体系统驱动，可实现复杂银行工作流程自动化 [4] - 投资AI基础架构，包括工业AI、机器学习、企业数据等，对大规模运行大语言模型至关重要 [69][78] - 维持和扩大AI价值需建立跨职能团队、中央AI控制塔和治理委员会，确保AI战略实施和资产复用 [80] 根据相关目录分别进行总结 AI对银行业的影响 - AI推动银行业变革，但许多银行仍处于实验阶段，银行需成为AI优先机构以提升价值 [4] - AI可使银行更智能、高效，提升财务绩效，部分银行已通过AI取得显著收益 [18] 构建AI优先银行的要素 - 重塑客户体验，提供个性化服务，实现跨设备无缝使用 [4] - 利用AI辅助决策，增强实时分析洞察能力，满足客户精准需求 [4] - 现代化核心技术，包括自动化云供应、API和简化架构，实现数据安全交换 [4] - 建立平台运营模式，整合人才、文化和组织设计 [4] 银行AI转型的业务领域 - 零售银行、私人银行、企业和商业银行、投资银行等多个领域的销售与营销、风险、服务与运营、数字技术、人力资源和其他职能等子领域均可进行AI转型 [8][10][23] - 选择转型子领域时，需考虑业务影响和技术可行性，优先选择高业务影响和高技术可行性的子领域 [27][50] AI能力堆栈 - 包括参与层、决策层、数据与核心技术层和运营模式层，各层需协同工作以实现企业变革和价值交付 [54][57] - 决策层是AI优先银行的核心，可协调和实现数千个AI驱动的决策 [57] - 多智能体系统是决策层的重大进步，可实现复杂决策和工作流程自动化，提高生产力和客户体验 [58][67] 投资AI基础架构 - 包括工业AI和机器学习、企业数据、可观测性工具栈、机器学习运营、FinOps、LLM编排、LLM网关和安全等子层 [69] - 投资这些子层对大规模运行大语言模型至关重要 [78] 维持和扩大AI价值 - 建立跨职能团队，融合银行业务和技术专业知识，确保风险管控融入团队 [80] - 设立中央AI控制塔和治理委员会，负责银行AI战略、协调企业决策和推动AI资产复用 [80] - 转型从一个子领域开始，逐步推进，利用可复用组件提高效率和价值 [80][83]

行业投资评级 - 报告未明确给出具体的行业投资评级 [1][2] 核心观点 - 美国政府每年因欺诈损失高达2330亿至5210亿美元 占联邦义务的3%至7% 某些项目如退税和疫情期间的失业保险项目 欺诈损失可能达到两位数百分比 [3] - 欺诈风险在私营部门和政府中都在增长 欺诈者日益复杂 疫情期间 国内外欺诈团伙利用完美窃取的身份信息 针对州失业保险机构进行欺诈 [3] - 政府机构在打击欺诈方面面临多重挑战 包括逐个案件处理欺诈 能力差距 害怕尴尬 以及反欺诈措施无法自筹资金 [4][5][6][8][9] - 银行行业已经建立了有效的反欺诈模型 政府可以借鉴 但需要改变公民与政府之间的关系 并协调各利益相关方的行动 [10][11][12] - 政府机构可以通过建立反欺诈卓越中心 改善数据捕获和共享 采取行动导向的策略 来取得进展 [13][19][20] - 立法机构和预算管理办公室可以通过改革预算授权 增加跨机构信息共享 来支持反欺诈工作 [26] - 公众需要接受政府服务中的额外验证步骤 以支持反欺诈措施 [28] 具体案例 - 国家州劳动力机构协会通过建立失业保险诚信中心 协调各州的反欺诈努力 防止了约50亿美元的欺诈 [14] - 美国国税局通过建立分析卓越中心 采用创新的AI欺诈检测模型 简化身份验证程序 成功将欺诈者的成功率从19%降低到12% 减少了27亿美元的欺诈损失 [17][18][19][20][21][22][23]